MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing.

Ricardo Chura Sucojayo

UNIDAD V

DISTRIBUCION DE MODELOS PROBABILISTICOS

.
DISTRIBUCION DE BERNOULLI

Se llama Prueba o ensayo de Bernoulli a todo Experimento aleatorio que contiene solo dos resultados posibles
mutuamente excluyentes, llamados Éxito y Fracaso.

El espacio muestral asociado con una Prueba de Bernoulli es: S = E, F 

Por ejemplo, al lanzar una moneda se está realizando una Prueba de Bernoulli, ya que solo hay dos posibilidades:
cara o sello. No admite otro resultado intermedio.

DISTRIBUCIÓN BINOMIAL
Se llama Experimento Binomial a un número fijo n de repeticiones independientes de una prueba de Bernoulli, por
lo tanto, se caracteriza por:

1. Las n pruebas son estadísticamente independientes.

2. Cada ensayo tiene dos resultados posibles, denominados “éxito” y “fracaso”
3. La probabilidad de éxito es invariante en cada una de las pruebas, es decir cada prueba posee la misma
probabilidad de éxito, por lo tanto, la probabilidad de éxito de cada ensayo, denotada por p, permanece
constante.
4. Se llama Variable Binomial a la variable aleatoria X definida en el espacio muestral, como el número de
éxitos que ocurren en las n pruebas de Bernoulli. Los posibles valores de X son: 0, 1, 2, …., n

Las probabilidades se calculan a través de la siguiente formula:

𝒏!
𝑷(𝒙 = 𝒓⁄𝒏, 𝒑) = 𝒑𝒙 . 𝒒𝒏−𝒙
𝒙! (𝒏 − 𝒙)!

𝑷(𝒙 = 𝒓⁄𝒏, 𝒑) = 𝒏 ∁ 𝒙 . 𝒑𝒙 . 𝒒𝒏−𝒙

La variable puede tomar los valores x = 0, 1, 2, …n

 n  x n− x
  p  q ; x = 0, 1, 2, ...., n
P(x = r / n, p ) =  x 
0 de otras formas


1
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

PROPIEDADES
La esperanza matemática
𝝁(𝒙) = 𝑬(𝒙) = 𝒏𝒑
La varianza
𝝈𝟐 (𝒙) = 𝑽(𝒙) = 𝒏(𝟏 − 𝒑)𝒑
EJEMPLO ACLARATORIO 1

Después de una auditoría externa en una empresa financiera se determinó que el 30% de sus créditos están en
mora. Si el auditor interno toma una muestra aleatoria de cinco de esas cuentas, determine la probabilidad de que
exactamente dos créditos estén en mora.

EJEMPLO ACLARATORIO 2

Una institución universitaria establece nuevos métodos de aprendizaje y de evaluación, con el resultado donde el
85% de sus estudiantes aprueban todas las materias. Supongamos que se seleccionan 6 estudiantes de dicha
institución. ¿Cuál es la probabilidad?
a) ¿Exactamente 3 aprueben todas las materias?
b) ¿Por lo menos dos aprueben todas las materias?
c) ¿Como máximo 1 pierda alguna materia?

EJEMPLO ACLARATORIO 3
Si X ~ Bin (n, p)  = 12 y  2 = 4,8
Determinar:
a) El modelo probabilístico de X.
b) Cuál es la probabilidad P(x = 12) = ?
c) Cuál es la probabilidad P(x  5) = ?
DISTRIBUCION DE POISSON
Dado un intervalo de números reales, suponga que el conteo de ocurrencias es aleatorio en dicho intervalo. Si este
puede dividirse en subintervalos suficientemente pequeños tales que:

1. La probabilidad de ocurrencia más de una ocurrencia en dicho subintervalo es cero.

2. La probabilidad de ocurrencia en un subintervalo es la misma para todos los subintervalos, y es
proporcional a la longitud de éstos.
3. El conteo de ocurrencias en cada subintervalo es independiente del de los demás subintervalos.
𝒆−𝝀 . 𝝀𝒙
𝑷(𝑿 = 𝒙) =
𝒙!
Donde:
e = Base del logaritmo neperiano (2, 7182)
λ = promedio
x = valor buscado

2
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

PROPIEDADES
La esperanza matemática
𝝁(𝒙) = 𝑬(𝒙) = 𝝀
La varianza
𝝈𝟐 (𝒙) = 𝑽(𝒙) = 𝝀

EJEMPLO ACLARATORIO 1

Un promedio de cinco personas por hora realiza transacciones en una ventanilla de servicios especiales de un
banco comercial. Suponiendo que el arribo de esas personas tiene una distribución independiente y es igualmente
probable a lo largo del periodo de interés ¿Cuál es la probabilidad de que exactamente diez personas deseen
realizar transacciones en la ventanilla de servicios especiales durante una hora en particular?

EJEMPLO 2

Se ha estimado que cada 10 páginas de un libro existen en promedio dos errores ortográficos.
a) Cuál es la probabilidad que en un capítulo de 10 páginas existan 4 errores ortográficos.
b) Que en un capítulo de 20 páginas como máximo haya tres errores ortográficos.
c) Que en un capítulo de 30 páginas haya por lo menos dos errores ortográficos.
d) Que en 20 páginas haya más de un error ortográfico.

DISTRIBUCION HIPERGEOMÉTRICA

Un experimento hipergeométrico consiste en escoger al azar una muestra de tamaño n, uno a uno sin reposición,
de N elementos o resultados posibles donde x de los cuales pueden clasificarse como éxitos y los N-x restantes
como fracasos.

1. En cada extracción la probabilidad de que el elemento sea un éxito es diferente ya que tales extracciones
son sin reposición.
2. Se llama Variable hipergeométrica a la Variable Aleatoria X definida en S, como el número de éxitos en el
experimento hipergeométrico.
3. Si n  x , el Rango de X es: RX = 0,1, 2, ..........., n

Luego la probabilidad de que ocurran k éxitos es:

  A  B 
x 
 

   n − x  ; x = 0, 1, 2, ....., n

P( X = x ) =  N
 
n 

  

0 de otras formas

3
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

𝑨 = 𝑭𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔 𝒐 é𝒙𝒊𝒕𝒐
𝑫𝒐𝒏𝒅𝒆 → {
𝑩 = 𝑵𝒐 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔 𝒐 𝒇𝒓𝒂𝒄𝒂𝒔𝒐

𝐴∁𝑥 × 𝐵∁𝑛−𝑥
𝑃(𝑋 = 𝑥 ) =
𝑁∁𝑛
PROPIEDADES

La esperanza matemática
𝝁(𝒙) = 𝑬(𝒙) = 𝒏𝒑

La varianza
𝑵−𝒏
𝝈𝟐 (𝒙) = 𝑽(𝒙) = 𝒏𝒑𝒒
𝑵−𝟏
EJEMPLO ACLARATORIO

Una compañía recibe un envío de 20 piezas de un proceso de manufactura. El control de calidad de la compañía
consiste en tomar una muestra de 3 piezas al azar sin reposición del envío. Si en la muestra se encuentra al menos
dos piezas defectuosas, caso contrario se acepta. Determine la probabilidad de rechazar el envío si contiene un
25% de piezas defectuosas.

DISTRIBUCION NORMAL
Es sin duda la distribución más utilizada para modelar experimentos aleatorios. La distribución normal es una
distribución continua que se ajusta a las distribuciones reales observada en muchos fenómenos como ser:
• Las mediciones de velocidad de transmisión de datos.
• Las mediciones de corriente eléctrica
• Las mediciones de temperatura
• En general todo lo que se puede medir.

Tiene las siguientes propiedades:

• La curva o distribución de los datos es unimodal.
• La media de la población cae dentro del gráfico y coincide con el centro de la gráfica.
• Los dos extremos de la distribución normal se extienden indefinidamente y nunca tocan el eje horizontal
(desde luego, esto es imposible de mostrar de manera gráfica)
• Para definir una distribución normal se necesitan solamente dos parámetros la media y la desviación
estándar.

4
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

La distribución es simétrica con

respecto a la línea vertical que
pasa por la media µ

FIG. GRAFICA DE LA DISTRIBUCION NORMAL

No es necesario ni posible tener una tabla distinta para cada distribución normal posible, en lugar de ellos se utiliza
una distribución normal estándar para encontrar las probabilidades. Para ello se utiliza la siguiente transformación:

𝒙−𝝁
𝒁=
𝝈
PROPIEDADES
La esperanza matemática
𝑬(𝒙) = 𝝁
La varianza
𝑽(𝒙) = 𝝈𝟐
Ejemplo:
Las estaturas de 500 estudiantes están distribuidas normalmente con una media de 174 centímetros y una
desviación estándar de 6.9 centímetros. ¿Qué porcentaje de estudiantes?

a) Miden menos de 160 cm.

b) Entre 171 y 182 cm
c) Mayor o igual a 188 cm

5
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

ESTIMACIÓN ESTADÍSTICA.
Todo el mundo hace estimaciones. Cuando está por cruzar una calle, hace una estimación de la velocidad del
automóvil que se acerca, de la distancia que hay entre usted y el auto y de su propia velocidad. Habiendo hecho
rápidamente todas estas estimaciones, usted decide si espera, camina o corre.

Los administradores también deben hacer estimaciones rápidas. El resultado de estas estimaciones puede afectar
sus organizaciones de manera tan seria como el resultado de su decisión de cruzar la calle. Los jefes de
departamento de una universidad hacen estimaciones acerca de las inscripciones para el semestre siguiente en
las materias. Los directores de crédito estiman si un cliente pagará o no sus débitos. Los futuros compradores de
casa hacen estimaciones concernientes al comportamiento de las tasas de interés de los préstamos hipotecarios.
Todas estas personas hacen estimaciones sin preocuparse de si son científicas o no, pero con la esperanza de
que las estimaciones tengan una semejanza razonable con el resultado.

TIPOS DE ESTIMACIONES
Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación
de intervalo. Una estimación puntual es un solo número que se utiliza para estimar un parámetro de
población desconocido.

Si, mientras observa al primer integrante de un equipo de fútbol americano salir al campo de juego, se dice:
“¡Caramba! Apuesto a que el peso promedio de los jugadores defensivos es de 125 kilogramos”, usted ha hecho
una estimación puntual. El jefe de departamento de una universidad estaría haciendo una estimación puntual si
afirmara: “Nuestros datos actuales indican que en esta materia tendremos 350 estudiantes el siguiente semestre.”

Una estimación de intervalo es un rango de valores que se utiliza para estimar un parámetro de la población.

Una estimación de este tipo indica el error de dos maneras: por la extensión del intervalo y por la probabilidad de
que el verdadero parámetro poblacional se encuentre dentro del intervalo.
En este caso, el jefe de departamento diría algo como lo siguiente: “Estimo que la inscripción real de este curso
para el próximo semestre estará entre 330 y 380, y es muy probable que la inscripción exacta caiga dentro de este
intervalo.” Con esto tiene una mejor idea de la confiabilidad de su estimación. Si el curso se imparte en grupos de
100 estudiantes cada uno y si, tentativamente, se han programado cinco cursos, entonces, de acuerdo con la
estimación, puede cancelar uno de los grupos y abrir uno optativo.

ESTIMADOR Y ESTIMACIONES

Cualquier estadístico de la muestra que se utilice para estimar un parámetro poblacional se conoce como estimador,
es decir, un estimador es un estadístico de la muestra utilizado para estimar un parámetro poblacional. La
media de la muestra puede ser un estimador de la media de la población, y la proporción de la muestra se puede
utilizar como un estimador de la proporción de la población.

6
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

CRITERIOS PARA SELECCIONAR UN BUEN ESTIMADOR

Algunos estadísticos son mejores estimadores que otros. Afortunadamente, podemos evaluar la calidad de un
estadístico como estimador mediante el uso de cuatro criterios:

1. Insesgado. Ésta es una propiedad deseable para un buen estimador.

2. Eficiencia. Otra propiedad deseable de un buen estimador es que sea eficiente. La eficiencia se refiere al
tamaño del error estándar del estadístico.

3. Consistencia. Una estadística es un estimador consistente de un parámetro de población si al aumentar el

tamaño de la muestra, se tiene casi la certeza de que el valor de la estadística se aproxima bastante al valor del
parámetro poblacional.

4. Suficiencia. Un estimador es suficiente si utiliza tanta información de la muestra que ningún otro estimador
puede extraer información adicional acerca del parámetro de población que se está estimando.

ESTIMACIONES PUNTUALES
La media de la muestra es el mejor estimador de la media de la población. Es insesgada, consistente, el estimador
más eficiente y, siempre y cuando la muestra sea suficientemente grande, su distribución muestral puede ser
aproximada por medio de la distribución normal.

ESTIMACIÓN PUNTUAL DE LA VARIANZA Y LA DESVIACIÓN ESTÁNDAR DE LA POBLACIÓN

El estimador más utilizado para estimar la desviación estándar de la población, es la desviación estándar de la
muestra.

ESTIMACIONES DE INTERVALO:
Una estimación de intervalo describe un rango de valores dentro del cual es posible que esté un parámetro de la
población.

ESTIMACIONES DE INTERVALO E INTERVALOS DE CONFIANZA

En estadística, la probabilidad que asociamos con una estimación de intervalo se conoce como nivel de
confianza.
Esta probabilidad indica qué tanta confianza tenemos de que la estimación de intervalo incluya al parámetro de
población. Una probabilidad más alta implica una mayor confianza.

El intervalo de confianza es el rango de la estimación que estamos haciendo. Si informamos que tenemos el
90% de confianza de que la media de la población de ingresos de las personas que viven en una cierta comunidad
está entre $8,000 y $24,000, entonces el rango $8,000-$24,000 es nuestro intervalo de confianza.

7
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

ESTIMACIÓN POR INTERVALOS DE CONFIANZA.

Usted se habrá preguntado. ¿Por qué se llama Estadística Inferencial?, ¿Qué es inferir?, ¿De qué se tratará la
Unidad?, bueno, esta es una de las partes más lindas y apasionantes de la Estadística Inferencial, los intervalos
de confianza como su nombre lo dice son aproximaciones reales que otorgamos a la población según los valores
seleccionados en la muestra. Es importante dividir este estudio en dos, primero en el caso de las muestras
grandes. (Mayores de 30) y por segundo las muestras pequeñas (menores que 30) todo esto vamos a explicarlo
muy fácilmente en este capítulo.

Como tal Inferencial viene de inferir, generalizar, ejemplo, si se realizó una encuesta a 300 estudiantes de la
Universidad con la intención de conocer la aceptación del nuevo método de inscripciones por internet, en el
estudio se mostró que el 40% estaba satisfecho con el método y un 60% no, por lo tanto inferimos que toda la
universidad piensa lo mismo. Este proceso que hemos hecho tan fácilmente tiene su grado de complejidad que
vamos a desmenuzar en esta parte de la guía.

Pautas para que un intervalo de confianza funcione.

1. Para que tenga validez el intervalo de confianza la encuesta debe estar hecha por muestreo.

2. Los intervalos como su nombre lo dicen son infinitos valores entre un rango no un valor específico.

INTERVALO DE CONFIANZA PARA CALCULAR UNA MEDIA POBLACIONAL (µ), CUANDO CONOCEMOS
LA VARIANZA POBLACIONAL Y TENEMOS UNA MUESTRA MAYOR A 30 DATOS

La única forma de hallar “µ” media poblacional, es trabajando un censo, como no podemos trabajar con censos
en la mayoría de las ocasiones por su elevado costo tomamos una muestra, los resultados de la muestra
debemos inferirlos a la población mediante un intervalo de confianza.

Intervalo de confianza para estimar  cuando  es conocido:

𝝈
̅ ± 𝒁 ∝ ⁄𝟐
𝑰𝑪 𝒑𝒂𝒓𝒂 𝒆𝒔𝒕𝒊𝒎𝒂𝒓 𝝁 = 𝒙
√𝒏
La Desviación estándar del promedio puede calcularse de esta forma.
𝝈
𝝈𝒙̅ =
√𝒏
Fórmula:

𝝈 𝝈
̅ − 𝒁∝⁄𝟐
𝑰𝑪 = [𝒙 ̅ + 𝒁∝⁄𝟐
≤𝝁≤𝒙 ] = (𝟏−∝)
√𝒏 √𝒏

8
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

Ejemplo:
Se tomó u n a encuesta de 100 personas en Santa Cruz para estimar la demanda de pantalones jeans, los
datos mostraron un promedio de gasto anual en estas prendas de 150 dólares. Estudios anteriores mostraron
una varianza poblacional de 81 dólares. Estime con los datos de esta muestra los valores de la población con
un 95% de confiabilidad.

INTERVALO DE CONFIANZA EN MUESTRAS PEQUEÑAS. (DISTRIBUCIÓN “t”)

Anteriormente trabajamos con muestras grande (≥30); pero hay casos en que no se puede trabajar con este
tipo de muestras, ejemplo. Si usted es el encargado de probar la seguridad de los autos Toyota y para realizar
su prueba tiene que chocar un auto contra un muro, le garantizo que no va a chocar 30 autos o más. En estos
casos que tenemos muestras pequeñas trabajamos con la distribución “t” de student.

Fórmula:
Intervalo de confianza para estimar la media poblacional – muestras pequeñas:

𝒔
̅ ± 𝒕∝⁄𝒏−𝟏
𝑰𝑪 𝒑𝒂𝒓𝒂 𝒆𝒔𝒕𝒊𝒎𝒂𝒓 𝝁 = 𝒙
√𝒏
𝒔 𝒔
̅ − 𝒕∝⁄𝒏−𝟏
𝑰𝑪 = [𝒙 ̅ + 𝒕∝⁄𝒏−𝟏
≤𝝁≤𝒙 ] = (𝟏−∝)
√𝒏 √𝒏

Ejemplo:

El promedio de ventas que debe tener la sucursal de “Ford” en Argentina es de 100.000 dólares por mes para
cubrir sus costos de producción y mantenimiento de la empresa. Usted ha sido contratado como asesor e
investigador de mercado y tiene que sugerirle al gerente general ¿Qué hacer con la situación de la empresa?,
ya que con menos de 100.000 dólares al mes no puede seguir operando. Los datos de los últimos 7 meses
muestran un ingreso promedio de 90675 dólares y una desviación estándar de 5000 dólares. Con un 99% de
confiabilidad ¿Qué consejo profesional le diría al gerente general?

INTERVALO DE CONFIANZA PARA HALLAR UNA PROPORCIÓN POBLACIONAL.

En el caso de las proporciones a diferencia de las medias siempre vamos a utilizar “Z”, no importa que sean
muestras grandes ó pequeñas.

Estimación del error estándar de la distribución de las proporciones muestrales:

𝒑(𝟏 − 𝒑)
𝑺𝒑 = √
𝒏

𝒑𝒒
Que es lo mismo que decir. √
𝒏

9
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

Intervalo de confianza para estimar la proporción poblacional:

𝑰𝑪 𝒑𝒂𝒓𝒂 𝒆𝒔𝒕𝒊𝒎𝒂𝒓 𝝅 = 𝒑 ± 𝒁𝑺𝒑

𝒑𝒒 𝒑𝒒
̅ − 𝒁 ∝ ⁄𝟐 √
𝑰𝑪 = [𝒑 ̅ + 𝒁∝⁄𝟐 √ ] = (𝟏−∝)
≤𝒑≤𝒑
𝒏 𝒏

Ejemplo:

Usted es el jefe de campaña del candidato “Augusto Hernández” para las elecciones m u n i c i p a l e s , en la
encuesta que usted tomó a 1.000 ciudadanos con su grupo de trabajo, el candidato tenía el 40% de
los votos, teniendo en cuenta un 95% de confiabilidad y teniendo en cuenta que para ganar la elección se requiere
el 36.85% de los votos, ¿Qué le diría al candidato?

10
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

CALCULO DE UNA MUESTRA

FORMULA GENERAL

𝒁𝟐 𝒑𝒒𝑵
𝜼= 𝟐
𝒆 (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
Donde:
𝜼 = 𝑻𝒂𝒎𝒂ñ𝒐 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂
𝒁 = 𝑵𝒊𝒗𝒆𝒍 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒛𝒂 (𝑻𝒂𝒃𝒍𝒂𝒔)
𝒑 = 𝑬𝒙𝒊𝒕𝒐
𝒒 = 𝑭𝒓𝒂𝒄𝒂𝒔𝒐
𝑵 = 𝑵° 𝒕𝒐𝒕𝒂𝒍 𝒅𝒆 𝒍𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊ó𝒏

Parámetros de cálculo Normales

1) Nivel de Confianza “Z”
Se lo busca en talas, en función a lo que se quiere obtener.
Ej.: Nivel de confianza Z=95% = 0.95
Para llevar a la tabla se divide entre 2

𝟎, 𝟗𝟓 + 𝟏
𝒁= = 𝟎, 𝟗𝟕𝟓𝟎 → 𝑩𝒖𝒔𝒄𝒂𝒅𝒐 𝒑𝒐𝒓 𝒍𝒂 𝑻𝒂𝒃𝒍𝒂 →∴ 𝒁 = 𝟏, 𝟗𝟔
𝟐

2) Cálculo de Error (e)

En un cálculo normal, casi siempre se usan parámetros entre 3 - 5% o se los define, con:

𝒁𝟐 𝒑𝒒
𝒆=√
𝒏

Factor de corrección por finitud:

𝒏𝒐
𝒏= 𝒏
𝟏+ 𝒐
𝑵

11
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

FÓRMULAS PARA DETERMINAR EL TAMAÑO DE MUESTRA

TIPO DE VARIABLE
CUALITATIVA CUANTITATIVA

Z C2 s 2
Z p(1 − p )
2 n0 =
n0 = C E2
e2
Z C = Coeficiente normal de
CON PRUEBA PILOTO

Z C = Coeficient e normal de confiabilidad confiabilidad

e = p m − p  10% Error relativo
E = x −  Error absoluto
proporcion al
E =e   e x
p = Exito o proporción de la var iable
 = Desviaciónn típica de la
POBLACION INFINITA

en el sondeo
población o del sondeo
p m = Pr oporción de la var iable en la
muestra
P = Pr oporción de la var iable en la
población
SIN PRUEBA PILOTO

Z c2
n0 = 2
4e
Z C = Variable tipificada crítica
e = p m − p  10% Error relativo o proporcion al de la var iable en el sondeo
1
p= Cuando no se conoce la proporción del sondeo
2
POBLACION FINITA

n0
n =
n
1+ 0
N

n0 = Tamaño de muestra para poblaciones infinitas

N = Tamaño de la población

12
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

EJEMPLOS ACLARATORIOS CÁLCULO DEL TAMAÑO DE MUESTRA

1. Una compañía de televisión por cable quiere estimar la proporción de sus suscriptores que comprarían su revista con la
programación. La compañía quiere tener 95% de confianza de que su estimación esta correcta con una aproximación
de  0.06 de la proporción real. La experiencia previa en otras áreas indica que el 80% de los suscriptores compraran
la revista.
¿Qué tamaño de muestra se necesita si la población es de 8000 usuarios?

2. Una cooperativa de ahorro y préstamo desea determinar la cantidad promedio que tienen los clientes en sus cuentas.
La desviación estándar de todas las cuentas de ahorro es estimada por el gerente en $ 44000:
a) ¿Qué tamaño de muestra se requiere para afirmar, con una confianza del 95%, que el error en la estimación
no excede de $ 20000? Si la población es de 500 cooperativistas.
b) ¿Qué tamaño de muestra se requiere para afirmar, con una confianza del 90%, que el error en la estimación
no excede de $ 30000?

13
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

EJEMPLOS ACLARATORIOS CÁLCULO DEL TAMAÑO DE MUESTRA

1. Una compañía de televisión por cable quiere estimar la proporción de sus suscriptores que comprarían su revista con la
programación. La compañía quiere tener 95% de confianza de que su estimación esta correcta con una aproximación de
 0.06 de la proporción real. La experiencia previa en otras áreas indica que el 80% de los suscriptores compraran la
revista. ¿Qué tamaño de muestra se necesita si la población es de 8000 usuarios?

Solución:

Datos:
𝑵 = 𝟖𝟎𝟎𝟎 𝒖𝒔𝒖𝒂𝒓𝒊𝒐𝒔
∝= 𝟗𝟓%
∝ +𝟏 𝟎, 𝟗𝟓 + 𝟏
𝒛= = = 𝟎, 𝟗𝟕𝟓𝟎 → 𝒁 = 𝟏, 𝟗𝟔
𝟐 𝟐
𝒆 = 𝟔%
𝒑 = 𝟎, 𝟖𝟎
𝒒 = 𝟎, 𝟐𝟎

Reemplazando tenemos:

𝒛𝟐 × 𝒑 × 𝒒 (𝟏, 𝟗𝟔)𝟐 (𝟎, 𝟖𝟎)(𝟎, 𝟐𝟎)

𝒏𝟎 = =
𝒆𝟐 (𝟎, 𝟎𝟔)𝟐
𝒏𝟎 = 𝟏𝟕𝟎, 𝟕𝟒

Aplicando el factor de corrección:

𝒏𝟎 𝟏𝟕𝟎, 𝟕𝟒
𝒏= 𝒏𝟎 = = 𝟏𝟔𝟕, 𝟏𝟕
𝟏+ 𝟏𝟕𝟎, 𝟕𝟒
𝑵 𝟏 +
𝟖𝟎𝟎𝟎

𝒏 = 𝟏𝟔𝟖 𝑻𝒂𝒎𝒂ñ𝒐 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂

14
 MODELOS PROBABILISTICOS Y ESTIMACIONES ESTADÍSTICAS | Ing. Ricardo Chura Sucojayo

2. Una cooperativa de ahorro y préstamo desea determinar la cantidad promedio que tienen los clientes en sus cuentas. La
desviación estándar de todas las cuentas de ahorro es estimada por el gerente en $ 44000:
a) ¿Qué tamaño de muestra se requiere para afirmar, con una confianza del 95%, que el error en la estimación no
excede de $ 20000? Si la población es de 500 cooperativistas.
b) ¿Qué tamaño de muestra se requiere para afirmar, con una confianza del 90%, que el error en la estimación no
excede de $ 30000?
Solución:
Datos:
a) ¿Qué tamaño de muestra se requiere para afirmar, con una confianza del 95%, que el error en la estimación no excede
de $ 20000? Si la población es de 500 cooperativistas.

𝑵 = 𝟓𝟎𝟎 𝒄𝒐𝒐𝒑𝒆𝒓𝒂𝒕𝒊𝒗𝒊𝒔𝒕𝒂𝒔
∝= 𝟗𝟓%
∝ +𝟏 𝟎, 𝟗𝟓 + 𝟏
𝒛= = = 𝟎, 𝟗𝟕𝟓𝟎 → 𝒁 = 𝟏, 𝟗𝟔
𝟐 𝟐
𝒆 = 𝟐𝟎𝟎𝟎𝟎 $𝒖𝒔
𝒔 = 𝟒𝟒𝟎𝟎𝟎 $𝒖𝒔

Reemplazando tenemos:
𝒁𝟐 × 𝒔𝟐 (𝟏, 𝟗𝟔)𝟐 × (𝟒𝟒𝟎𝟎𝟎)𝟐
𝒏𝟎 = =
𝑬𝟐 (𝟐𝟎𝟎𝟎𝟎)𝟐

𝒏𝟎 = 𝟏𝟖, 𝟓𝟗

Aplicando el factor de corrección:

𝒏𝟎 𝟏𝟖, 𝟓𝟗
𝒏= 𝒏𝟎 = = 𝟏𝟕, 𝟗𝟐
𝟏 + 𝑵 𝟏 + 𝟏𝟖, 𝟓𝟗
𝟓𝟎𝟎

𝒏 = 𝟏𝟖 𝑻𝒂𝒎𝒂ñ𝒐 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂

b) ¿Qué tamaño de muestra se requiere para afirmar, con una confianza del 90%, que el error en la estimación no excede
de $ 30000?
∝= 𝟗𝟎%
∝ +𝟏 𝟎, 𝟗𝟎 + 𝟏
𝒛= = = 𝟎, 𝟗𝟓𝟎𝟎 → 𝒁 = 𝟏, 𝟔𝟓
𝟐 𝟐
𝒆 = 𝟑𝟎𝟎𝟎𝟎 $𝒖𝒔
𝒔 = 𝟒𝟒𝟎𝟎𝟎 $𝒖𝒔
Reemplazando tenemos:

𝒁𝟐 × 𝒔𝟐 (𝟏, 𝟔𝟓)𝟐 × (𝟒𝟒𝟎𝟎𝟎)𝟐

𝒏𝟎 = = = 𝟓, 𝟖𝟔
𝑬𝟐 (𝟑𝟎𝟎𝟎𝟎)𝟐
𝒏𝟎 = 𝟔 𝑻𝒂𝒎𝒂ñ𝒐 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂

15